CN112818084A - 信息交互方法、相关装置、设备及计算机可读介质 - Google Patents
信息交互方法、相关装置、设备及计算机可读介质 Download PDFInfo
- Publication number
- CN112818084A CN112818084A CN202010105665.4A CN202010105665A CN112818084A CN 112818084 A CN112818084 A CN 112818084A CN 202010105665 A CN202010105665 A CN 202010105665A CN 112818084 A CN112818084 A CN 112818084A
- Authority
- CN
- China
- Prior art keywords
- question
- target
- customer service
- machine learning
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种信息交互方法、相关装置、设备及计算机可读介质,其中方法包括:通过智能客服获取第一客户端发送的目标问题;通过第一机器学习模型获取目标问题对应的目标答复结果;其中,第一机器学习模型为基于至少一个第一样本数据训练得到的模型,至少一个第一样本数据包括第一问题以及第一问题对应的至少一个答复结果,第一问题对应的答复结果为将第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;输出目标答复结果。实施本申请,可以提高智能客服进行智能问答时的准确性。
Description
技术领域
本申请涉及互联网技术领域,尤其涉及一种信息交互方法、相关装置、设备及计算机可读介质。
背景技术
在线客服***,也即一种网页版即时通讯软件的统称。相较于其他即时通讯软件(例如,QQ、MSN等),它实现和网站的无缝结合,为网站提供和访客对话的平台;网站访客无需安装任何软件,即可通过网页进行对话。现有的在线客服***主要包括人工客服和智能客服,旨在为用户提供业务咨询。以智能客服为例,通常采用“常见问答库+问句匹配技术”的方法。这种方法以用户提问和***自动问答为基本形式,以“一问一答”为基本会话单位。例如,以移动客服小e为例,当用户输入“请帮我查一下我还有多少积分?”这一问题时,客服***从常见问答库中找到当前这一问题的答案为“您当前积分为1250”,客服***将上述答案发送给用户,继而,用户可以获知当前自己所用Sim卡的积分。
然而,发明人在研究中发现:当智能客服在回答新问题时,由于只能在常见问题库中获取该问题对应的答案,且常见问答库中的标准问答数量有限,这一实现方式容易带来匹配出的答案质量不高的问题。因此如何提高智能客服进行智能问答时的准确性是亟需解决的技术问题。
发明内容
本申请实施例提供一种信息交互方法、相关装置、设备及计算机可读介质,可以提高智能客服进行智能问答时的准确性。
第一方面,本申请实施例提供了一种信息交互方法,该方法包括:
通过智能客服获取第一客户端发送的目标问题;
通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;
输出所述目标答复结果。
实施本申请实施例,当通过智能客服接收到用户发送的目标问题时,可以通第一机器学习模型获取目标问题对应的目标答复结果,然后,输出该目标答复结果。由于第一机器学习模型为基于多个问题与多个问题各自对应的答复结果训练得到的模型,且答复结果为根据问题对应的关键词确定的,通过这一实现方式,可以提高智能客服进行智能问答时的准确性。
在一种可能的实现方式中,所述方法还包括:
若所述目标问题与所述目标答复结果的匹配度小于等于第一阈值,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
实施本申请实施例,当通过第一机器学习模型获取到的目标问题对应的目标答复结果的匹配度小于等于第一阈值时,这表示目标答复结果没有解决用户的实际问题,此时,将智能客服切换为人工客服,以便人工客服对目标答复结果进行修正,通过这一实现方式,可以避免出现无法解决用户的实际问题的情形,可以提高信息交互的准确性,继而提高了用户的交互体验。
在一种可能的实现方式中,所述方法还包括:
若所述目标答复结果不符合语义分析模型,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
实施本申请实施例,当通过第一机器学习模型获取到的目标问题对应的目标答复结果不符合语义分析模型时,这表示该目标答复结果出现了歧义或该目标答复结果不利于用户进行理解,此时,将智能客服切换为人工客户,以便人工客服对目标答复结果进行修正,通过这一实现方式,可以避免出现无法解决用户的实际问题的情形,可以提高信息交互的准确性,继而提高了用户的交互体验。
在一种可能的实现方式中,所述第一问题对应的关键词包括第一业务属性和/或第一情感属性;所述第一问题对应的答复结果为将所述第一问题对应的第一业务属性和/或第一情感属性作为搜索条件在目标数据库中确定的答复结果。
实施本申请实施例,可以使得搜索更具针对性,便于剔除与问题无关的答复结果,保证了问题与答复结果之间的匹配度,从而可以提高智能客服进行智能问答时的准确性。
在一种可能的实现方式中,所述第一业务属性用于表征所述第一客户端咨询的业务类型;所述第一情感属性用于表征所述第一客户端针对所述智能客服提供服务的情感评价。
在一种可能的实现方式中,所述第一样本数据包括所述第一问题以及至少两个所述第一问题对应的答复结果。
实施本申请实施例,由于第一样本数据包括所述第一问题以及至少两个所述第一问题对应的答复结果,这一实现方式充分考虑了答复结果的多样性,可以使得训练好的第一机器学习模型具有较好的泛化能力,从而可以提高智能客服进行智能问答时的准确性。
在一种可能的实现方式中,所述方法还包括:
获取至少一个第二样本数据,并通过所述至少一个第二样本数据对所述第一机器学习模型进行训练,得到第二机器学习模型;其中,所述至少一个第二样本数据包括所述第一问题以及经过修正后的所述第一问题对应的答复结果;所述第一问题对应的答复结果为通过所述第一机器学习模型获取的;
所述通过第一机器学习模型获取所述目标问题对应的目标答复结果,包括:
通过所述第二机器学习模型获取所述目标问题对应的目标答复结果。
实施本申请实施例,当通过智能客服接收到用户发送的目标问题时,可以通过第二机器学习模型获取目标问题对应的目标答复结果,然后,输出该目标答复结果。由于第二机器学习模型为基于多个问题与多个问题各自对应的答复结果训练得到的模型,且答复结果为经过修正后的结果,通过这一实现方式,可以提高智能客服进行智能问答时的准确性。
第二方面,本申请实施例提供了一种信息交互装置,该装置包括用于执行上述第一方面的方法的单元。具体地,该装置至少可以包括:
获取单元,用于通过智能客服获取第一客户端发送的目标问题;
处理单元,用于通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的至少一个答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;
输出单元,用于输出所述目标答复结果。
在一种可能的实现方式中,所述装置还包括:
第一切换单元,用于在所述目标问题与所述目标答复结果的匹配度小于等于第一阈值的情况下,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
在一种可能的实现方式中,所述装置还包括:
第二切换单元,用于当所述目标答复结果不符合语义分析模型的情况下,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
在一种可能的实现方式中,所述第一问题对应的关键词包括第一业务属性和/或第一情感属性;所述第一问题对应的答复结果为将所述第一问题对应的第一业务属性和/或第一情感属性作为搜索条件在目标数据库中确定的答复结果。
在一种可能的实现方式中,所述第一业务属性用于表征所述第一客户端咨询的业务类型;所述第一情感属性用于表征所述第一客户端针对所述智能客服提供服务的情感评价。
在一种可能的实现方式中,所述第一样本数据包括所述第一问题以及至少两个所述第一问题对应的答复结果。
在一种可能的实现方式中,所述装置还包括:
训练单元,用于获取至少一个第二样本数据,并通过所述至少一个第二样本数据对所述第一机器学习模型进行训练,得到第二机器学习模型;其中,所述至少一个第二样本数据包括所述第一问题以及经过修正后的所述第一问题对应的答复结果;所述第一问题对应的答复结果为通过所述第一机器学习模型获取的;
所述处理单元,具体用于:
通过所述第二机器学习模型获取所述目标问题对应的目标答复结果。
第三方面,本申请实施例提供了一种信息交互设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持设备执行上述方法的计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
第五方面,本申请实施例还提供了一种计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本申请实施例提供的一种信息交互***的架构示意图;
图2是本申请实施例提供的另一种信息交互***的架构示意图;
图3A是本申请实施例提供的一种信息交互方法的流程示意图;
图3B是本申请实施例提供的一种LSTM神经网络模型的内部处理逻辑的结构示意图;
图3C是本申请实施例提供的一种级联形式的LSTM神经网络模型的结构示意图;
图3D是本申请实施例提供的一种通过多线程爬虫方式获取问题的答复结果的示意图;
图4是本申请实施例提供的一种分词结果的示意图;
图5A是本申请实施例提供的一种信息交互装置的结构示意图;
图5B是本申请实施例提供的另一种信息交互装置的结构示意图;
图5C是本申请实施例提供的另一种信息交互装置的结构示意图;
图5D是本申请实施例提供的另一种信息交互装置的结构示意图;
图6是本申请实施例提供的一种信息交互设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。在本申请实施例中,申请人在研究中发现:当智能客服在回答新问题时,由于只能在常见问题库中获取该问题对应的答案,且常见问答库中的标准问答数量有限,这一实现方式容易带来匹配出的答案质量不高的问题,继而,拟提出一种通过人工智能机器学习的方式(例如,机器学习算法)来获取问题对应的答复结果。由于本申请中训练好的第一机器学习模型或第二机器学习模型具有较好的学习能力,继而可以将待解决的目标问题输入第一机器学习模型或第二机器学习模型中,以期获取该目标问题对应的目标答复结果。
为了便于理解本申请,首先介绍下本申请可以适用的应用场景:
当智能客服接收到第一客户端发送的目标问题时,通过第一机器学习模型获取目标问题对应的目标答复结果。这里,第一客户端可以运行在第一终端上。智能客服为运行在第二终端上的应用程序。在一些实现方式中,第二终端上还可以运行有人工客服。可以理解的是,人工客服可以在智能客服无法解决用户的实际问题时,为用户答疑解惑。在一些实现方式中,智能客服为运行在后台服务器上的应用程序,而人工客服为运行在第二终端上的应用程序。例如,第二终端可以为便携式电脑。
为了提高智能客服在进行智能问答时的准确性,可以通过第一机器学习模型获取问题对应的答复结果。由于第一机器学习模型为基于至少一个第一样本数据训练得到的模型,这里,第一样本数据包括问题以及问题对应的答复结果,更进一步地,答复结果为根据问题对应的关键词确定的,例如,答复结果为以问题对应的关键词作为搜索条件,在目标数据库中搜索到的与问题的匹配度大于阈值的结果。通过这一实现方式,可以提高智能客服进行智能问答时的准确性。
考虑到通过第一机器学习模型获取的答复结果仍然无法解答用户的实际问题,例如,通过第一机器学习模型获取的答复结果与问题之间的匹配度小于设定好的第一阈值,或,通过第一机器学习模型获取的答复结果不符合语义分析模型(例如,答复结果不通顺,答复结果出现歧义),在这种情况下,可以将智能客服切换为人工客服,以便人工客服对问题进行解答。
为了更好理解本发明实施例公开的一种信息交互方法、相关装置、设备及计算机可读介质,下面先对本发明实施例可以适用的网络架构进行描述。
在智能客服与人工客服为运行在同一终端上的应用程序时,请参见图1,是本发明实施例提供的一种信息交互***的架构示意图。如图1所示,该信息交互***的架构包括多个用户终端、终端以及后台服务器。具体实现中,多个用户终端可以通过网络与终端进行通信连接。用户终端1上运行有客服服务客户端,用户1通过第一账号登录该客服服务客户端,继而,通过网络向终端发送目标问题;终端通过智能客服接收第一账号发送的目标问题之后,通过第一机器学习模型获取目标问题对应的目标答复结果。由于第一机器学习模型为基于至少一个第一样本数据训练得到的模型,这里,第一样本数据包括问题以及问题对应的答复结果,更进一步地,答复结果为根据问题对应的关键词确定的,例如,答复结果为以问题对应的关键词作为搜索条件,在目标数据库(例如,目标数据库为知识分享文库)中搜索到的与问题的匹配度大于阈值的结果。这里,知识分享文库中涵盖了教育、PPT、专业文献、应用文书等多个领域的知识体系。而现有技术中,终端通过智能客服接收第一账号发送的目标问题之后,终端查询数据库(例如,该数据库存储在终端的内存中)中是否包含当前的目标问题对应的答复结果,其中,数据库为标准问答-答案数据库,且该数据库中包含的标准问答数量有限。相较于现有技术而言,本申请所描述的这一实现方式,可以提高智能客服进行智能问答时的准确性的同时,还可以提高智能客服答复用户的效率。
在一些实现方式中,当智能客服无法解答用户的实际问题时,终端可以将智能客服切换为人工客服,以便人工客服对问题进行答复。
在智能客服为运行在后台服务器上的应用程序,人工客服为运行在终端(例如,该终端为便携式电脑)上的应用程序时,请参见图2,是本发明实施例提供的另一种信息交互***的架构示意图。如图2所示,该信息交互务***的架构包括多个用户终端、终端以及后台服务器。具体实现中,多个用户终端可以通过网络与终端、后台服务器进行通信连接。用户终端1上运行有客服服务客户端,用户1通过第一账号登录该客服服务客户端,继而,通过网络向后台服务器发送目标问题;后台服务器通过智能客服接收该目标问题之后,通过第一机器学习模型获取目标问题对应的目标答复结果。由于第一机器学习模型为基于至少一个第一样本数据训练得到的模型,这里,第一样本数据包括问题以及问题对应的答复结果,更进一步地,答复结果为根据问题对应的关键词确定的,例如,答复结果为以问题对应的关键词作为搜索条件,在目标数据库(例如,目标数据库为知识分享文库)中搜索到的与问题的匹配度大于阈值的结果。当通过第一机器学习模型获取的答复结果仍然无法解答用户的实际问题,例如,通过第一机器学习模型获取的答复结果与问题之间的匹配度小于设定好的第一阈值,或,通过第一机器学习模型获取的答复结果不符合语义分析模型(例如,答复结果不通顺,答复结果出现歧义),在这种情况下,后台服务器向终端发送切换指令,该切换指令用于将智能客服切换至人工客服。终端在接收到后台服务器发送的切换指令之后,终端通过人工客服给第一账号提供咨询解答。
需要说明的是,在图1和图2所示的***架构中,客服服务客户端可以运行在包括但不限于移动手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动互联网设备(Mobile Internet Device,MID)等各种用户可以使用的设备上。
以图1所示的网络架构为例来说明本发明实施例公开的一种信息交互方法。请参见图3A,图3A是本申请实施例提供的信息交互方法的流程示意图,可以包括如下步骤:
步骤S300、通过智能客服获取第一客户端发送的目标问题。
在本申请实施例中,用户终端上可以安装有客服服务客户端,用户可以在该客户端上注册账号(例如,第一账号),然后,通过账号登陆该客户端。当用户通过账号登陆该客户端之后,用户可以利用账号来发送目标问题。例如,用户可以在用户终端上通过第一账号向终端发送目标问题,继而,终端可以通过智能客服接收第一账号发送的问题信息。需要说明的是,这里所涉及的客服服务客户端可以是用户终端中默认安装的,也可以是用户终端上下载安装的第三方应用,本发明实施例不作具体限定。
本申请实施例中,客服服务客户端(包括商家客户端和用户客户端)是指与终端相对应,为客户提供咨询服务的程序。具体来说,咨询服务,是指客户(请教方或咨询方)提出问题或疑难,服务主体(答疑方或服务人)给出建议或解决方案。这里,该咨询服务可以包括但不限于:商业咨询、技术咨询、运营咨询等等。
在本申请实施例中,客户端可以包括:本地运行的应用程序、运行于网络浏览器上的功能(又称为Web App)、嵌入于电子邮件中的小程序、嵌入于即时通讯的客户端软件(如微信(WeChat))中的小程序,以及嵌入在其他应用程序(如WeChat)中的功能(如微信公众号)等。对于客服服务客户端,终端或服务器上需要运行有相应的服务器端程序来提供相应的服务,如数据库服务,数据计算、决策执行等等。
在本申请实施例中,这里所涉及的目标问题是指用户根据自身特定需求,向智能客服寻求答案的问题。示例性地,以微信客服服务客户端为例,目标问题可以为:我的手机号被别人绑定了微信怎么办?
步骤S302、通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的至少一个答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果。
在本申请实施例中,第一训练样本数据包括第一问题以及第一问题对应的至少一个答复结果。例如,第一训练样本数据包括第一问题以及第一问题对应的一个答复结果。又例如,第一训练样本数据包括第一问题以及第一问题对应的两个或两个以上的答复结果。需要说明的是,该答复结果与第一问题之间的匹配度大于设定好的第一阈值。一般来说,匹配度(又称相似度)是指,两个事物之间相似的程度。例如,该匹配度可以通过数值来表示。匹配度越大,表示这两个事物之间越相似。
在实际应用中,当以第一问题对应的关键词作为搜索条件在目标数据库中进行搜索时,往往可以得到多个答复结果。在一个示例中,可以通过计算第一问题对应的关键词特征与多个答复结果各自对应的关键词特征之间的特征匹配度,从而判断多个答复结果各自对应的特征匹配度是否大于设定好的第一阈值。在一种情形下,若多个答复结果各自对应的特征匹配度均大于设定好的第一阈值,可以将多个答复结果中筛选出匹配度最大的答复结果作为第一问题对应的答复结果。此时,构成的第一样本数据中包括第一问题以及第一问题对应的一个答复结果。在另一种情形下,若多个答复结果各自对应的特征匹配度均大于设定好的第一阈值,可以将多个答复结果作为第一问题对应的答复结果。此时,构成的第一样本数据中包括第一问题以及第一问题对应的两个或两个以上的答复结果。为了便于理解,下面结合具体的实例进行阐述,例如,以问题1对应的关键词为搜索条件搜索得到3个答复结果,其中,问题1与答复结果1的匹配度为0.9,问题1与答复结果的匹配度为0.8,问题1与答复结果3的匹配度为0.6。设定好的第一阈值为0.7。如前所述,在一种情形下,构成的第一样本数据中包括问题1与答复结果1。在另一种情形下,构成的第一样本数据中包括问题1与答复结果1,问题1与答复结果2。
在一个示例中,可以通过获取答复结果的支持数和/或点赞数,从而判断每个答复结果的支持数和/或点赞数是否大于设定好的第一阈值。在一种情形下,若多个答复结果各自对应的支持数和/或点赞数均大于设定好的第一阈值,可以将多个答复结果中筛选出支持数和/或点赞数最大的答复结果作为第一问题对应的答复结果。此时,构成的第一样本数据中包括第一问题以及第一问题对应的一个答复结果。在另一种情形下,若多个答复结果各自对应的支持数和/或点赞数均大于设定好的第一阈值,可以将多个答复结果作为第一问题对应的答复结果。此时,构成的第一样本数据中包括第一问题以及第一问题对应的两个或两个以上的答复结果。为了便于理解,下面结合具体的实例进行阐述,例如,以问题1对应的关键词为搜索条件搜索得到3个答复结果,其中,答复结果1对应的支持数为10000,答复结果2对应的支持数为40,答复结果3对应的支持数为500,设定好的第一阈值为300。如前所述,在一种情形下,构成的第一样本数据中包括问题1与答复结果1。在另一种情形下,构成的第一样本数据中包括问题1与答复结果1,问题1与答复结果3。
可以理解的是,在上述描述中,当第一样本数据中包括一个问题以及该问题对应的多个答复结果时,由于这一实现方式充分考虑了答复结果的多样性,可以使得训练好的第一机器学习模型具有较好的泛化能力,从而可以提高智能客服进行智能问答时的准确性。
更进一步的,当第一样本数据中包括一个问题以及该问题对应的多个答复结果时,这多个答复结果之间可以具有关联性(例如,可以通过计算每个答复结果对应的关键词特征之间的关联度,且多个答复结果之间的关联度大于设定好的第二阈值),那么,在这一实现方式中,由于考虑了答复结果的多样性,以及答复结果之间的关联性,在对某个特定领域进行智能问答时,由于训练好的第一机器学习模型具有较好的泛化能力,从而可以提高智能客服进行智能问答时的准确性。
还可以理解的是,考虑到样本的丰富性,第一样本数据中包括多个问题以及多个问题对应的至少一个答复结果。例如,第一训练样本中包括3个问题以及3个问题各自对应的答复结果。其中,问题1可以表示为:怎么注册微信?问题2可以表示为:我的手机号码被他人注册了微信怎么办?问题3可以表示为:微信手机号怎么解绑?
在具体实现中,终端可以通过句子搜索、关键词搜索、多线程爬虫等方式,使用搜索引擎在目标数据库中搜索问题对应的答复结果。需要说明的是,目标数据库为一综合数据库,覆盖知识面广,涵盖了不同领域的知识体系。示例性地,该目标数据库可以为知识分享文库。搜索引擎可以包括但不限于:百度、360、搜狗、百度知道、***等等。
例如,以多线程爬虫方式获取问题对应的答复结果为例,如图3D所示,为本申请实施例提供的一种通过多线程爬虫方式获取问题的答复结果的示意图。通过网页的链接地址,网络爬虫用过从网站首页读取内容、寻找进入下一个网页的其他链接。通过不断的循环反复,网络爬虫抓取这个网站的所有需要的网页,之后,对网页内容进行分块抓取,从而可以得到问题对应的答复结果。
以问题1为例,终端通过多线程爬虫方式获取该问题对应的答复结果可以为:打开微信应用程序,进入微信界面,其中,微信界面上显示有“登录”按钮、“注册”按钮,在点击“注册”按钮之后,可以通过手机号进行注册。
又例如,以关键词搜索获取问题对应的答复结果为例,终端在获取到问题之后,对问题进行拆分,可以得到多语句分类,之后,分别提取多语句分类各自对应的关键词,然后可以使用搜索引擎以提取到的关键词作为搜索条件,在目标数据库中搜索问题对应的答复结果。在本申请实施例中,第一问题对应的关键词包括第一业务属性和/或第一情感属性。其中,第一业务属性用于表征第一客户端咨询的业务类型;第一情感属性用于表征第一客户端针对智能客服提供服务的情感评价。那么,当终端以第一问题对应的关键词为搜索条件在目标数据库中搜索问题对应的答复结果的实现过程可以包括:在一个示例中,终端以提取到的第一问题对应的第一业务属性为搜索条件在目标数据库中搜索问题对应的答复结果。示例性地,第一问题可以表示为:“怎么注册微信?”终端在获取到第一问题之后,提取第一问题对应的关键词,例如,提取得到第一问题的业务属性为:注册微信,那么,在这种情况下,终端可以以“注册微信”这一业务属性作为搜索条件,在目标数据库中确定与之匹配的答复结果。例如,该答复结果为“通过手机进行注册”。可以理解的是,该答复结果与问题之间的匹配度大于设定好的第一阈值。关于如何确定问题与问题对应的答复结果之间的匹配度的实现方式请参考前述描述,此处不多加赘述。在一个示例中,终端以提取到的第一问题对应的第一情感属性为搜索条件,在目标数据库中搜索问题对应的答复结果。示例性地,第一问题可以表示为:“你的服务真的太棒了。我下次还可以找您帮忙吗?”终端在获取到第一问题之后,提取第一问题对应的关键词,例如,提取得到第一问题的情感属性为:服务太棒了,那么,在这种情况下,终端可以以“服务太棒了”这一业务属性作为情感条件,在目标数据库中确定与之匹配的答复结果。例如,该答复结果可以为“为您服务是我的荣幸”。可以理解的是,该答复结果与问题之间的匹配度大于设定好的第一阈值。在一个示例中,终端以提取到的第一问题对应的第一业务属性和第一情感属性为搜索条件,在目标数据库中搜索问题对应的答复结果。示例性地,第一问题可以表示为:“你的手机修理技术真的太棒了。我下次还可以找您帮忙吗?”终端在获取到第一问题之后,提取第一问题对应的关键词,例如,提取得到第一问题的业务属性为:手机修理,提取得到第一问题的情感属性为:太棒了,那么,在这种情况下,终端可以“手机修理”和“太棒了”作为搜索条件,在目标数据库中确定与之匹配的答复结果。例如,该答复结果为“很期待下次为您修理手机”。可以理解的是,该答复结果与问题之间的匹配度大于设定好的第一阈值。
在本申请实施例中,以提取到的关键词作为搜索条件,在目标数据库中搜索问题对应的答复结果的这一实现方式,可以使得搜索具有针对性,可以有效剔除垃圾信息,进而可以提高第一机器学习模型的训练效率。
在本申请实施例中,第一机器学习模型可以为神经网络模型。示例性地,该神经网络模型可以为深度学习神经网络模型(Deep Neural Networks,DNN),也可以为循环神经网络模型(Recurrent Neural Networks,RNN)、长短时记忆神经网络(Long-Short TermMemory,LSTM)模型等等。
示例性地,第一机器学习模型可以为长短时记忆神经网络LSTM,LSTM模型是将输入门、输出门、遗忘门以及细胞(cell)结构,用于控制对历史信息的学习和遗忘,使模型适合处理长序列问题。请参见图3B,是本申请实施例提供的一种LSTM的结构示意图。如图3B所示,设时刻t,LSTM模型的记忆单元表示为Ct,遗忘门的输出表示为ft,输入门的输出表示为it,输出门的输出表示为O(t),三个门的元素值都在区间[0,1]。
具体来说,遗忘门是控制是否遗忘的,即以一定的概率控制是否遗忘上一层的隐藏细胞状态。在时刻t,对于遗忘门来说,其输入为上一序列的隐藏状态h(t-1)和本序列数据x(t),在激活函数的作用下,得到遗忘门的输出。具体地,这里的激活函数可以为sigmoid。
在实际应用中,遗忘门的处理逻辑可以表示为如下数学表达式(1):
ft=σ(Wfh(t-1)+Ufx(t)+bf
其中,Wf、Uf、bf为线性关系的系数和偏置,σ表示激活函数sigmoid。
具体来说,输入门负责处理当前序列位置的输入,决定放什么新信息到“细胞状态”中,从图3B中可以看出,输入门由两部分组成,第一部分在激活函数sigmoid的作用下,输出为it,第二部分在激活函数tanh的作用下,输出为at,这两部分结果进行相乘再去更新细胞状态。总的来说,输入门的作用是为了状态更新做准备。
在实际应用中,输入门的处理逻辑可以表示为如下数学表达式(2):
it=σ(Wih(t-1)+Uix(t)+bi
at=tanh(Wah(t-1)+Uax(t)+ba
其中,Wi、Ui、bi,Wa、Ua、ba为线性关系的系数和偏置,σ表示激活函数sigmoid。
在经过遗忘门和输入门后,可以确定传递信息的删除和增加,也即可以进行“细胞状态”的更新,由图3B可以知道,细胞状态C(t)由两部分组成,第一部分是C(t-1)和遗忘门输出ft的乘积,第二部分是输入门it和at的乘积,也即可以表示为如下数学表达式(3):
C(t)=C(t-1)*f(t)+i(t)*a(t)
其中,*表示哈达玛积Hadamard积。
具体来说,这里,Hadamard积按位做乘法运算。
从图3B中可以看出,隐藏状态h(t)的更新由两部分组成,第一部分是O(t),它由上一序列的隐藏状态h(t-1)和本序列数据x(t),以及激活函数sigmoid得到,第二部分由隐藏状态C(t)和激活函数tanh组成,其处理逻辑可以表示为如下数学表达式(4):
O(t)=σ(WOh(t-1)+UOx(t)+bO
h(t)=O(t)*tanh(C(t))
在本申请实施例中,该长短期记忆神经网络LSTM的具体架构可以如图3C所示,在该长短期记忆神经网络LSTM中,级联了多个细胞,例如,如3C所示的t个细胞,该模型可以在多个样本数据(例如,多个样本数据之间的关联度大于设定好的阈值)的训练下,得到训练好的第一机器学习模型,以通过第一机器学习模型来获取用户待解决的问题所对应的答复结果。
例如,目标问题为“股票为什么会跌?”,通过训练好的第一机器学习模型(例如,LSTM模型)获取到的目标答复结果为“那是因为股票在市场上是被供求关系左右的。当供大于求时,股票就会跌;当供不应求时,股票就会涨。”
步骤S304、输出所述目标答复结果。
在一个实施方式中,终端可以通过终端的显示屏显示目标答复结果,例如,以突出显示的方式显示目标答复结果;又例如,将目标答复结果按照预设轨迹进行显示)。在一个实施方式中,终端可以通过语音播报方式播放目标答复结果,例如,终端通过语音播报装置输出目标答复结果等等。
可以理解的是,在本申请实施例中,一方面,第一机器学习模型具有较好的学习能力;另一方面,第一机器学习模型具有人工智能高效、便捷的特性,当智能客服在获取到用户的问题时,可以及时地、准确地通过第一机器学习模型获取该问题对应的答复结果,并将该答复结果反馈给用户。在这一实现方式中,相较于现有技术中在数据库中一一匹配方式而言,可以提高智能客服进行智能问答时的准确性的同时,还可以提高智能客服答复用户的效率。
实施本申请实施例,当通过智能客服接收到用户发送的目标问题时,可以通第一机器学习模型获取目标问题对应的目标答复结果,然后,输出该目标答复结果。由于第一机器学习模型为基于多个问题与多个问题各自对应的答复结果训练得到的模型,且答复结果为根据问题对应的关键词确定的,通过这一实现方式,可以提高智能客服进行智能问答时的准确性。
在一些可能的实现方式中,若目标问题与目标答复结果的匹配度小于等于第一阈值,将智能客服切换到人工客服,以便人工客服对目标问题进行答复。
在本申请实施例中,第一阈值可以为事先设置的,也可以根据用户需求设置的,例如,第一阈值为0.8。可以理解的是,问题与答复结果之间的匹配度越高,表示该答复结果越好。
在本申请实施例中,人工客服对目标问题进行答复的实现过程可以包括:人工客服根据目标答复结果对目标问题进行答复。例如,人工客服以目标答复结果为参考,修正目标答复结果,等等。
在一些可能的实现方式中,若目标答复结果不符合语义分析模型,在这种情况下,将智能客服切换到人工客服,以便人工客服对目标问题进行答复。
在本申请实施例中,语义分析模型是指,衡量目标答复结果是否通顺、是否出现歧义的模型。示例性地,以衡量目标答复结果是否通顺为例,可以通过判断目标答复结果是否满足“主语+谓语”、“主语+谓语+宾语”等结构,若不满足,则表示目标答复结果不符合语义分析模型。示例性地,以衡量目标答复结果是否出现歧义为例,可以通过分别获取目标答复结果在第一分词策略下的第一分词结果以及目标答复结果在第二分词策略下的第二分词结果,若第一分词结果与第二分词结果一致,表示目标答复结果符合语义分析模型;若第一分词结果与第二分词结果不一致,表示目标答复结果不符合语义分析模型。在具体实现中,第一分词策略是指,沿第一方向上的字符串匹配的分词策略;第二分词策略是指,沿第二方向上的字符串匹配的分词策略,其中,第一方向为第二方向的反方向。关于字符串匹配的分词方式为现有技术,此处不多加赘述。以目标答复结果为“结合成分子”为例,该目标答复结果在第一分词策略下的分词结果为“结合-成-分子”,具体地,该分词结果可以如图4所示;该目标答复结果在第二分词策略下的分词结果为“结合-成-分子”,这意味着,该目标答复结果符合语义分析模型。
在一些实现方式中,当通过第一机器学习模型获取到的目标问题对应的目标答复结果无法解答用户的实际问题时,终端可以通过至少一个第二样本数据对第一机器模型进行训练,得到第二机器学习模型。
具体来说,基于至少一个第二样本数据对第一机器学习模型进行训练的实现过程可以包括:获取至少一个第二样本数据,然后,通过至少一个至少第二样本数据对第一机器学习模型进行训练。
在本申请实施例中,获取至少一个第二样本数据的实现过程可以包括:获取第一问题,通过第一机器学习模型获取第一问题对应的目标答复结果;当目标问题与目标答复结果的匹配度小于等于第一阈值,或,当目标答复结果不符合语义分析模型,此时,将智能客服切换为人工客服,通过人工客服对目标答复结果进行修正,得到修正后的目标答复结果。这里,修正后的目标答复结果即可以作为第二样本数据。
在本申请实施例中,在基于至少一个第二样本数据对第一机器学习模型进行训练,得到第二机器学习模型之后,可以通过第二机器学习模型获取目标问题对应的目标答复结果。由于第二机器学习模型为基于多个问题与多个问题各自对应的答复结果训练得到的模型,且答复结果为经过修正后的结果,通过这一实现方式,可以提高智能客服进行智能问答时的准确性。
总的来说,本申请实施例提供的信息交互方法,可以通过第一机器学习模型或第二机器学习模型获取目标问题对应的目标答复结果,在目标答复结果无法解答用户的实际问题时,可以将智能客服切换为人工客服,也即:人工客服可以作为干预者,并进行个性化客服服务,通过这一实现方式,可以提高用户的交互体验。
为了便于更好的实施本发明实施例的上述方法,本发明实施例还描述了与上述图3A所述的方法实施例属于同一发明构思下的一种信息交互装置的结构示意图。下面结合附图来进行详细说明:
如图5A所示,该信息交互装置50可以包括:
获取单元500,用于通过智能客服获取第一客户端发送的目标问题;
处理单元502,用于通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的至少一个答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;
输出单元504,用于输出所述目标答复结果。
在一种可能的实现方式中,如图5B所示,所述装置50还包括:
第一切换单元506,用于在所述目标问题与所述目标答复结果的匹配度小于等于第一阈值的情况下,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
在一种可能的实现方式中,如图5C所示,所述装置50还包括:
第二切换单元508,用于在所述目标答复结果不符合语义分析模型的情况下,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
在一种可能的实现方式中,所述第一问题对应的关键词包括第一业务属性和/或第一情感属性;所述第一问题对应的答复结果为将所述第一问题对应的第一业务属性和/或第一情感属性作为搜索条件在目标数据库中确定的答复结果。
在一种可能的实现方式中,所述第一业务属性用于表征所述第一客户端咨询的业务类型;所述第一情感属性用于表征所述第一客户端针对所述智能客服提供服务的情感评价。
在一种可能的实现方式中,所述第一样本数据包括所述第一问题以及至少两个所述第一问题对应的答复结果。
在一种可能的实现方式中,如图5D所示,所述装置50还包括:
训练单元5010,用于获取至少一个第二样本数据,并通过所述至少一个第二样本数据对所述第一机器学习模型进行训练,得到第二机器学习模型;其中,所述至少一个第二样本数据包括所述第一问题以及经过修正后的所述第一问题对应的答复结果;所述第一问题对应的答复结果为通过所述第一机器学习模型获取的;
所述处理单元502,具体用于:
通过所述第二机器学习模型获取所述目标问题对应的目标答复结果。
实施本申请实施例,当通过智能客服接收到用户发送的目标问题时,可以通第一机器学习模型获取目标问题对应的目标答复结果,然后,输出该目标答复结果。由于第一机器学习模型为基于多个问题与多个问题各自对应的答复结果训练得到的模型,且答复结果为根据问题对应的关键词确定的,通过这一实现方式,可以提高智能客服进行智能问答时的准确性。
为了便于更好地实施本发明实施例的上述方案,本发明还对应提供了一种信息交互设备,下面结合附图来进行详细说明:
如图6示出的本发明实施例提供的信息交互设备的结构示意图,设备60可以包括处理器601、存储器604和通信模块605,处理器601、存储器604和通信模块605可以通过总线606相互连接。存储器604可以是高速随机存储记忆体(Random Access Memory,RAM)存储器,也可以是非易失性的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储***。存储器604用于存储应用程序代码,可以包括操作***、网络通信模块、用户接口模块以及数据处理程序,通信模块605用于与外部设备进行信息交互;处理器601被配置用于调用该程序代码,执行以下步骤:
通过智能客服获取第一客户端发送的目标问题;
通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的至少一个答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;
输出所述目标答复结果。
其中,处理器601还可以用于:
若所述目标问题与所述目标答复结果的匹配度小于等于第一阈值,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
其中,处理器601还可以用于:
若所述目标答复结果不符合语义分析模型,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
其中,所述第一问题对应的关键词包括第一业务属性和/或第一情感属性;所述第一问题对应的答复结果为将所述第一问题对应的第一业务属性和/或第一情感属性作为搜索条件在目标数据库中确定的答复结果。
其中,所述第一业务属性用于表征所述第一客户端咨询的业务类型;所述第一情感属性用于表征所述第一客户端针对所述智能客服提供服务的情感评价。
其中,所述第一样本数据包括所述第一问题以及至少两个所述第一问题对应的答复结果。
其中,处理器601还可以用于:
获取至少一个第二样本数据,并通过所述至少一个第二样本数据对所述第一机器学习模型进行训练,得到第二机器学习模型;其中,所述至少一个第二样本数据包括所述第一问题以及经过修正后的所述第一问题对应的答复结果;所述第一问题对应的答复结果为通过所述第一机器学习模型获取的;
所述处理器601通过第一机器学习模型获取所述目标问题对应的目标答复结果,可以包括:
通过所述第二机器学习模型获取所述目标问题对应的目标答复结果。
需要说明的是,本发明实施例中的设备60中处理器的执行步骤可参考上述各方法实施例中图3A实施例中的设备运行的具体实现方式,这里不再赘述。
在具体实现中,信息交互设备60可以为终端或者服务器,具体地,其表现形式可以包括移动手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动互联网设备(Mobile Internet Device,MID)等各种用户可以使用的设备,本发明实施例不作具体限定。
应理解,本申请实施例提供的方法可以适用的应用场景只是作为一种示例,实际应用中并不限于此。
还应理解,本申请中涉及的第一、第二、第三以及各种数字编号仅仅为描述方便进行的区分,并不用来限制本申请的范围。
应理解,本申请中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本申请中字符“/”,一般表示前后关联对象是一种“或”的关系。
此外,在本申请的各个实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚的了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块和单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
所述作为分离部件说明的单元可以是物理上分开的,也可以不是物理上分开的,作为单元显示的部件可以是物理单元,也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。
此外,在本申请各个实施例中所涉及的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现,本申请对此不作限定。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机或处理器上运行时,使得计算机或处理器执行上述任一个实施例所述方法中的一个或多个步骤。上述装置的各组成模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在所述计算机可读取存储介质中,基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机产品存储在计算机可读存储介质中。
上述计算机可读存储介质可以是前述实施例所述的设备的内部存储单元,例如硬盘或内存。上述计算机可读存储介质也可以是上述设备的外部存储设备,例如配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,上述计算机可读存储介质还可以既包括上述设备的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述设备所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可通过计算机程序来指令相关的硬件来完成,该计算机的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。
本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种信息交互方法,其特征在于,包括:
通过智能客服获取第一客户端发送的目标问题;
通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的至少一个答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;
输出所述目标答复结果。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标问题与所述目标答复结果的匹配度小于等于第一阈值,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
若所述目标答复结果不符合语义分析模型,将所述智能客服切换到人工客服,以便所述人工客服对所述目标问题进行答复。
4.如权利要求1所述的方法,其特征在于,所述第一问题对应的关键词包括第一业务属性和/或第一情感属性;所述第一问题对应的答复结果为将所述第一问题对应的第一业务属性和/或第一情感属性作为搜索条件在目标数据库中确定的答复结果。
5.如权利要求4所述的方法,其特征在于,所述第一业务属性用于表征所述第一客户端咨询的业务类型;所述第一情感属性用于表征所述第一客户端针对所述智能客服提供服务的情感评价。
6.如权利要求1所述的方法,其特征在于,所述第一样本数据包括所述第一问题以及至少两个所述第一问题对应的答复结果;其中,至少两个所述第一问题对应的答复结果之间的关联度大于第二阈值。
7.如权利要求1-6任一项所述的方法,其特征在于,所述方法还包括:
获取至少一个第二样本数据,并通过所述至少一个第二样本数据对所述第一机器学习模型进行训练,得到第二机器学习模型;其中,所述至少一个第二样本数据包括所述第一问题以及经过修正后的所述第一问题对应的答复结果;所述第一问题对应的答复结果为通过所述第一机器学习模型获取的;
所述通过第一机器学习模型获取所述目标问题对应的目标答复结果,包括:
通过所述第二机器学习模型获取所述目标问题对应的目标答复结果。
8.一种信息交互装置,其特征在于,包括:
获取单元,用于通过智能客服获取第一客户端发送的目标问题;
处理单元,用于通过第一机器学习模型获取所述目标问题对应的目标答复结果;其中,所述第一机器学习模型为基于至少一个第一样本数据训练得到的模型,所述至少一个第一样本数据包括第一问题以及所述第一问题对应的答复结果,所述第一问题对应的答复结果为将所述第一问题对应的关键词作为搜索条件在目标数据库中确定的答复结果;
输出单元,用于输出所述目标答复结果。
9.一种信息交互设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105665.4A CN112818084B (zh) | 2020-02-20 | 2020-02-20 | 信息交互方法、相关装置、设备及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105665.4A CN112818084B (zh) | 2020-02-20 | 2020-02-20 | 信息交互方法、相关装置、设备及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112818084A true CN112818084A (zh) | 2021-05-18 |
CN112818084B CN112818084B (zh) | 2023-09-05 |
Family
ID=75852965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105665.4A Active CN112818084B (zh) | 2020-02-20 | 2020-02-20 | 信息交互方法、相关装置、设备及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818084B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191791A (zh) * | 2021-06-01 | 2021-07-30 | 永服科技有限公司 | 一种数据中心运维管理装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314197A1 (en) * | 2015-04-21 | 2016-10-27 | International Business Machines Corporation | Providing searching strategy in connection with answering question in message |
CN108846126A (zh) * | 2018-06-29 | 2018-11-20 | 北京百度网讯科技有限公司 | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 |
CN109697228A (zh) * | 2018-12-13 | 2019-04-30 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备及存储介质 |
CN110020873A (zh) * | 2019-03-12 | 2019-07-16 | 平安科技(深圳)有限公司 | 人工客服切换方法、相关装置、设备及计算机可读介质 |
-
2020
- 2020-02-20 CN CN202010105665.4A patent/CN112818084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314197A1 (en) * | 2015-04-21 | 2016-10-27 | International Business Machines Corporation | Providing searching strategy in connection with answering question in message |
CN108846126A (zh) * | 2018-06-29 | 2018-11-20 | 北京百度网讯科技有限公司 | 关联问题聚合模型的生成、问答式聚合方法、装置及设备 |
CN109697228A (zh) * | 2018-12-13 | 2019-04-30 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备及存储介质 |
CN110020873A (zh) * | 2019-03-12 | 2019-07-16 | 平安科技(深圳)有限公司 | 人工客服切换方法、相关装置、设备及计算机可读介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191791A (zh) * | 2021-06-01 | 2021-07-30 | 永服科技有限公司 | 一种数据中心运维管理装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112818084B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188331B (zh) | 模型训练方法、对话***评价方法、装置、设备及存储介质 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN110569377B (zh) | 一种媒体文件的处理方法和装置 | |
CN112905876B (zh) | 基于深度学习的信息推送方法、装置和计算机设备 | |
CN111309887B (zh) | 一种训练文本关键内容提取模型的方法和*** | |
CN113010702A (zh) | 多媒体信息的互动处理方法、装置、电子设备及存储介质 | |
CN110750523A (zh) | 数据标注方法、***、计算机设备和存储介质 | |
CN114201516B (zh) | 一种用户画像构建的方法、信息推荐的方法以及相关装置 | |
CN112328778A (zh) | 确定用户特征和模型训练的方法、装置、设备及介质 | |
CN113343091A (zh) | 面向产业和企业的科技服务推荐计算方法、介质及程序 | |
CN115017288A (zh) | 模型训练方法、模型训练装置、设备及存储介质 | |
CN116956116A (zh) | 文本的处理方法和装置、存储介质及电子设备 | |
CN112667791A (zh) | 潜在事件预测方法、装置、设备及存储介质 | |
CN116775815B (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN112749558A (zh) | 一种目标内容获取方法、装置、计算机设备和存储介质 | |
WO2024120504A1 (zh) | 一种数据处理方法及相关设备 | |
CN114330704A (zh) | 语句生成模型更新方法、装置、计算机设备和存储介质 | |
CN113033912A (zh) | 问题解决人推荐方法及装置 | |
CN110377706B (zh) | 基于深度学习的搜索语句挖掘方法及设备 | |
CN112818084B (zh) | 信息交互方法、相关装置、设备及计算机可读介质 | |
CN117271745A (zh) | 一种信息处理方法、装置及计算设备、存储介质 | |
CN116956183A (zh) | 多媒体资源推荐方法、模型训练方法、装置及存储介质 | |
CN113378826B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN112149426B (zh) | 阅读任务处理方法及相关设备 | |
CN111552827B (zh) | 标注方法和装置、行为意愿预测模型训练方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40048407 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |